Maschinelles Lernen zur Detektion pathologischer Spontanaktivität in der Elektromyografie anhand von Audiosignalen
Klinische Neurophysiologie · 01.06.2025 · 56 (02) · 72-79
DOI: 10.1055/a-2549-6216 ↗Kurz gefasst
Fachartikel in der Zeitschrift Klinische Neurophysiologie, erschienen am 01.06.2025. Verfasst von Korbinian Holzapfel und 3 weiteren Autor:innen. Die Arbeit nennt 26 Literaturangaben.
Abstract (Originalsprache)
Die Erkennung pathologischer Spontanaktivität in der Elektromyografie (EMG) ist entscheidend für die Diagnostik neuromuskulärer Erkrankungen. Die vorliegende Studie untersuchte den automatisierten Einsatz von maschinellem Lernen zur Identifikation pathologischer Spontanaktivität aus EMG-Audiodaten. Anonymisierte Audiodaten von 40 Patienten mit Willkür- oder pathologischer Spontanaktivität wurden extrahiert und in kurze Segmente aufgeteilt. Verschiedene Algorithmen wie Random Forest, K-Nearest Neighbors (KNN), Support Vector Classifier (SVC), ein Feedforward-Netzwerk und ein Autoencoder-Netzwerk wurden trainiert und verglichen. Der Random-Forest-Klassifikator erzielte eine Genauigkeit von 0,89. KNN zeigte einen hohen Recall von 1,0 bei 0,72 Genauigkeit, was auf zuverlässige Erkennung hinweist. Gradient-Boosting wies ein ausgewogenes Verhältnis zwischen Precision (0,70) und Recall (0,88) auf. Klassische Methoden lieferten je nach Datenqualität variable Ergebnisse, wobei Gradient Boosting insgesamt am besten abschnitt. Das Feedforward-Netzwerk erreichte in segmentierten 3-Sekunden-Abschnitten eine Precision und einen Recall von 1,0 und zeigte somit die höchste Leistung. Maschinelles Lernen kann pathologische Spontanaktivität in EMG-Audiodaten effektiv von Willküraktivität unterscheiden. Insbesondere neuronale Netze bieten großes Potenzial zur Unterstützung von Klinikern in der EMG-Diagnostik bei weiterer Optimierung.
Zitieren
APA
Holzapfel, K., Schöler, T., Naumann, M., & Rijke, L. D. (2025). Maschinelles Lernen zur Detektion pathologischer Spontanaktivität in der Elektromyografie anhand von Audiosignalen. Klinische Neurophysiologie, 56(02), 72-79. https://doi.org/10.1055/a-2549-6216
Vancouver
Holzapfel K, Schöler T, Naumann M, Rijke LD. Maschinelles Lernen zur Detektion pathologischer Spontanaktivität in der Elektromyografie anhand von Audiosignalen. Klinische Neurophysiologie. 2025;56(02):72-79. doi:10.1055/a-2549-6216
BibTeX
@article{Holzapfel2025,
author = {Holzapfel, Korbinian and Schöler, Thorsten and Naumann, Markus and Rijke, Lisa De},
title = {Maschinelles Lernen zur Detektion pathologischer Spontanaktivität in der Elektromyografie anhand von Audiosignalen},
journal = {Klinische Neurophysiologie},
year = {2025},
volume = {56},
number = {02},
pages = {72--79},
doi = {10.1055/a-2549-6216}
}
EUVIMED